近日南加州大學的研究人員在醫(yī)學數(shù)據(jù)中發(fā)現(xiàn)了一些“隱藏的因素”，這些因素可以對阿爾茨海默癥進行預測。

【 圖片來源：USC Neuroscience Graduate Program】

通常來說，年齡是導致老年癡呆癥發(fā)展的最大危險因素，但研究人員認為，大多數(shù)老年癡呆癥的發(fā)生是由于基因和其他因素之間的復雜相互作用造成的，不過目前是哪些因素在起作用還不清楚。

南加州大學的研究人員利用”相關性解釋（Correlation Explanation，CorEx）“的機器學習方法，發(fā)現(xiàn)了阿爾茨海默癥的“隱藏因素”。這項題為“發(fā)現(xiàn)衰老大腦中阿爾茨海默癥風險的生物學相關外周特征”的研究發(fā)表在雜志《Frontiers in Aging Neuroscience》。

研究人員將800多名參與者的腦成像、血漿和人口統(tǒng)計信息等400多種潛在生物標記物組合起來，用機器學習來識別潛在的基于血液的阿爾茨海默病標志物。這些標志物可以幫助老年病癥進行無創(chuàng)早期診斷，跟蹤患者的疾病進展。

結果表明：β淀粉樣蛋白和Tau蛋白是阿茲海默病最關鍵的指標。同時，CorEx還發(fā)現(xiàn)心血管健康、激素水平、新陳代謝、免疫系統(tǒng)都與阿茲海默病有所關聯(lián)。

“這種類型的分析是發(fā)現(xiàn)數(shù)據(jù)模式以識別疾病關鍵診斷標志物的一種新方法，”南加州大學馬克學院、研究小組成員保羅·湯普森和南加州大學凱克醫(yī)學院教授瑪麗·史蒂文斯表示，“在一個龐大的健康測量數(shù)據(jù)庫中，它幫助我們發(fā)現(xiàn)了阿爾茨海默癥的預測特征?！?/p>

識別生物標志物

迄今為止大多數(shù)阿爾茨海默癥的研究都集中在已知的假設上，例如大腦中β淀粉樣蛋白和Tau蛋白的積聚。但事實證明，這兩種物質在血液中都很難測量。

因此，通常的阿爾茨海默癥診斷測試主要基于患者記憶。不幸的是，當一個人開始表現(xiàn)出記憶喪失的跡象時，他們可能已經(jīng)患了幾十年的這種疾病。在癥狀出現(xiàn)之前及早發(fā)現(xiàn)疾病是一個關鍵步驟，以便后期通過藥物治療改變生活方式。

南加州大學的神經(jīng)科學家想知道是否還有其他阿爾茨海默癥的“隱藏”指標——可以通過常規(guī)血液測試檢測到的因素。他們利用CorEx算法，并獲得CorEx開發(fā)者格雷格·弗·施泰格（Greg Ver Steeg）的幫助。

2013年，南加州大學信息科學研究所（ISI）的高級研究負責人Greg Ver Steeg開發(fā)了“相關解釋（CorEx）”的機器學習方法，此方法能夠在包括神經(jīng)科學，心理學和金融學等領域中開發(fā)新的研究模式。

Ver Steeg說：“可能沒有單一的預測因素表明你是否有可能出現(xiàn)認知衰退或者它有多嚴重，但也許有一些指標可以作為更好的預測信號。我們正在研究的問題是，除了預測阿爾茨海默氏癥，該算法是否還可以更好預測其他病癥因素的特征組。”

湯普森表示，越來越多的生物標志物可以為未來預測和診斷提供更好的依據(jù)，為血液檢測提供新的目標。在未來的研究中，他和他的團隊希望在更多的患者群體中確認結果，并使用Ver Steeg的方法找出其他疾病的隱藏因素，如精神分裂癥和抑郁癥。

AI應用老年癡呆癥檢測

全球約有4680萬名阿爾茲海默癥患者。相比醫(yī)生憑借癥狀判斷老年癡呆癥，不少研究團隊已經(jīng)發(fā)現(xiàn)了AI檢測老年癡呆癥的優(yōu)勢。

2018年11月，斯坦福大學的研究人員開發(fā)了一種基于深度學習的系統(tǒng)，可從核磁共振成像中自動檢測阿爾茲海默癥及其生物標志物，準確率高達94%。

該團隊采用CUDNN-accelerated TensforFlow深度學習框架，基于Alzheimer’s Disease Neuroimaging Initiative提供的數(shù)據(jù)集，訓練3D卷積神經(jīng)網(wǎng)絡。該神經(jīng)網(wǎng)絡學會解釋大腦不同區(qū)域及其與疾病的關聯(lián)，包括與阿爾茲海默癥相關的生物標志物。

人工智能對早期阿爾茲海默癥等老年疾病進行檢測的意義在于，醫(yī)生可以在病人出現(xiàn)任何早期癥狀之前改變病人的生活方式，從而延緩疾病的發(fā)展，減少病人以及家屬的痛苦。